让智能体真正积累经验：用元知识图谱把上下文、记忆和反馈连成学习闭环
本文关注的是整套系统长什么样，并继续沿用此前对元知识图谱的定义。自学习智能体系统不能理解成在模型旁边外挂一块记忆，它本质上是一套完整架构；之所以呈现出特定形态是因为有三个很多团队还没有明确命名的问题。
为什么大多数 Agent 本质上是工作流，而不是完全自主系统
。真正困难的是剩下的 80%：把循环做得足够可靠，让企业敢把真实资金、真实客户或真实决策交给它，而这部分几乎没人认真讨论。
持续批处理：在每次迭代里调整批次，让 LLM 服务吞吐量成倍提升
持续批处理（Continuous Batching）核心思路是：每一次前向传播（也就是每次迭代）都重新评估整个批次，而不是把批次锁死到所有请求都跑完为止。
从零实现训练框架在： GSM8K 上跑通 GRPO、PPO、DPO 对比实验的完整流程
本文做了一个简单的项目 grpo-llm在 GSM8K 数学推理任务上对 GRPO、PPO、DPO 做的一次受控对比。
如何估算训练一个大语言模型（LLM）所需的 GPU 数量
从这一个公式出发，就能估算训练成本、训练时间、所需的 GPU 数量，误差都在一个数量级以内。做系统方案初步设计时，这通常已经够用
RAG 生产部署清单：从 Chunk 元数据到评估集搭建
本文讨论的就是这些失败模式，以及能够避免它们的工程决策。
如何写好 DESIGN.md：让 AI 生成更贴近你的设计要求
当 AI 生成的结果逐渐贴近你的预期，你就会体会到 DESIGN.md 的价值。
为什么说多智能体系统本质上就是分布式系统
把智能体集群当作它本来就是的那种分布式系统来对待，它大部分的"AI 问题"就会变成早就知道该怎么解决的问题。
Loop Engineering 到底是什么？和 Harness 差在哪里
本文解释一下它到底是什么，哪些质疑合理，哪些地方确实发生了变化。
OpenSpec 三阶段工作流实操：从 Propose 到 Archive让代码返工率降到三分之一以下
这一篇讲的是 OpenSpec 在单一仓库内如何落地：一个 agent，一份代码库，三个阶段走完一个功能。
Agent Harness 到底是什么：模型之外的那层控制系统
Agent Harness 把模型的能力转化为可依赖的行为，给智能体提供工具、记忆、权限、护栏、可观测性和恢复机制。
十个 AI Agent 工作流模板，照着搭就能用
AI agent 比聊天机器人更有用的地方是聊天机器人只负责回答；而agent 会完成一整条工作
白得 2 到 3 倍加速的投机采样机制解析：草稿模型和目标模型是怎么配合的
投机采样的精妙之处在于：不改模型、不动训练、不碰权重，纯粹是利用了"验证比生成便宜"这个事实
Harness Engineering 实践案例：如何Agent 写一份行为规范
OpenAI 的 Ryan Lopopolo 那发布了一篇关于Harness 的官方文章，我们来用手头的一个任务来测试下效果怎么样。
注意力架构变迁总结：稀疏、线性、SSM、混合架构如何摆脱 O(L²) 的代价
本文将介绍四条路线的原理、经过验证的基准测试数据，以及各自目前的生产落地情况。
AI Agent的三重记忆机制：打造高可用的多维记忆系统
本文是一份实用指南，帮助你选择合适的记忆层。
2026 年开源 Agent 工具包选型指南：延迟、审计、可移植性与语言栈
2026 年用于构建 agent 的开源工具包已经已经得到了巨大的发展，所以本篇文章将从以下角度来帮助你如何选择最适合你的工具：延迟预算、审计追踪、模型可移植性、还是语言栈。
Orchestrator 为什么比 Agentic Loop 快：LLM 决策与执行分离的架构解析
Agentic loop 适合前期的探索工作，而Orchestrator 适合生产。
